NIPSNov, 2017

使用 Banzhaf 权重指数的特征重要性评分和无损特征剪枝

PDF
TL;DR本研究提出利用集合博弈理论的原则来解释和选择分类器最佳特征，并使用 Banzhaf power index 测量特征对分类器结果的影响，结果表明 Banzhaf power index 为零的特征可被无损剪枝以提高分类器性能，无需访问数据样本。
machine learningcoalitional game theorybanzhaf power indexfeature selectionneural network classifier
发现论文，激发创造
  • 从 SHAP 得分到特征重要性得分

    本文介绍了可解释人工智能（XAI）的核心目标，即根据预测结果赋予机器学习模型特征的相对重要性。通过对功能归属的精确计算，研究表明该任务是非常重要的，并且之前提出的一些公理化聚合代表了过去研究中探讨的多个权力指数示例。此外，本文探讨了如何将一些广泛使用的权力指数用作特征重要性评分，并提出了满足可解释人工智能的新颖特征重要性评分。最后，文章对最知名的权力指数在提出的指标方面进行了深入分析。

    May, 2024

  • 基于集合博弈理论的无监督分类数据特征排序

    本文提出了一种基于博弈理论、计算特征重要性的方法，用于无监督特征选择并消除冗余，结果表明该方法在降低冗余率的同时最大化数据信息。同时，本文还介绍了一种计算 Shapley 值的算法的近似版本，使其能够降低复杂度。

    May, 2022

  • 使用加性重要性度量了解全局特征贡献

    本研究探索了通过特征的预测能力定义特征重要性的视角，提出了两种预测能力的概念（模型基础和通用），并通过添加重要性度量的框架来规范化该方法。我们提出了一个模型不可知的方法 SAGE，量化预测能力同时考虑特征交互，并发现它比其他方法分配更准确的重要性值。

    Apr, 2020

  • 非参数特征影响与重要性

    该论文提出了特征重要性和特征影响的数学定义，并通过局部依赖曲线直接在数据上对其进行评估，证明其在预测任务中与现有特征选择技术具有竞争力。

    Jun, 2020

  • 逆功率指标问题

    本研究探讨了基于加权投票模型的力量指数测量方法，提出了一种解决给定影响向量和力量指数的加权投票游戏的逆问题的算法，并对 Shapley-Shubik 和 Banzhaf 指数进行了精确计算和计算结果分析。

    Nov, 2012

  • 特征重要性的固有不一致性

    本文提出一种新的特征重要性得分框架，通过将特征空间重新划分成可分离集合，从而统一了现有研究所存在的不一致性，实现了对机器学习算法的可解释性。

    Jun, 2022

  • 通用框架：关于对算法无关变量重要性的推断

    本文提出了关于变量重要性的非参数推断的一般框架，定义了变量重要性作为所有可用特征与除考虑特征外的所有特征之间的神谕可预测性的总体对比，并提出了有效的估计程序和策略。

    Apr, 2020

  • 合作博弈理论在分类中的影响

    采用公理化方法得出影响度量函数，可以分析某个分类器在确定分类结果时各个特征的影响力。通过该函数，分析用户画像对谷歌在线广告投放的影响。

    Apr, 2015

  • 权力指数比较的复杂性

    研究了加权投票游戏中的幂指数值高问题，并证明了对于 Shapley-Shubik 指数和 Banzhaf 指数来说，该问题是概率多项式时间完全的。同时，探讨了原始 Shapley-Shubik 指数的复杂性，证明了该指数是 #P-Metric 完全的和 #P-Many-one 完全的。

    Jan, 2008

  • 你的特征有多偏见？：使用全局敏感度分析计算公平影响函数

    本研究旨在通过引入公平影响函数对数据集中的特征进行量化，分解分类器偏差成由各个单独特征和多个特征所组成的组成部分，以更好地评估其公平性，并提出了一个基于方差分解和本地回归的算法 FairXplainer，该算法可以更准确地捕捉分类器的偏差，实现更好的公平干预。

    Jun, 2022